Sommario L’incredibile evoluzione tecnologia che abbiamo vissuto negli ultimi 20-30 anni, ha avuto come una delle sue conseguenze la generazione di un enorme flusso di dati. Centinaia di sensori dei più svariati tipi monitorano costantemente la produzione e questa condizione è comune ai campi più disparati. Il settore chimico e quello petrolchimico, su quest’ultimo verte il mio dottorato, possono trarre molti vantaggi da questa innovazione e questo spiega perché le aziende hanno investito grandi capitali nelle strumentazioni di controllo processo e nella gestione dei dati. Al contempo gli strumenti di statistica classica, normalmente impiegati nel controllo di processo, non erano sufficienti e adatti alla gestione di un crescente numero di sensori, di integrare tra loro i differenti dati e di convertire tutto ciò in informazioni utili. Perciò sono stati sviluppati nuovi strumenti, molti dei quali sono compresi nelle tecniche di analisi multivariata dei dati (MVDA). Queste includono le tecniche di decomposizione che permettono la compressione dei dati e spostano l’attenzione dall’andamento nel tempo della singola variabile alla struttura di correlazione dei dati, in altre parole mostrano la struttura dei dati nel complesso; questo è il principale vantaggio dell’approccio multivariato. Un’altra caratteristica relativa alla MVDA, anch’essa di fondamentale importanza, è quella di generare limiti di confidenza basati sulla variazione del sistema e non sul valore di ogni sensore d’impianto. Le tecniche multivariate tengono conto della fondamentale correlazione che esiste tra le variabili. Nonostante l’enorme miglioramento degli algoritmi per quanto concerne l’efficienza di calcolo, la facilità d’uso e l’applicabilità, l’analisi multivariata non è largamente applicata in industria, malgrado l’evoluzione di hardware e software permetta calcoli in tempi ragionevoli, spesso in tempo reale. Questo può essere dovuto ad un lacuna culturale che questa tesi cerca di affrontare, quantomeno in relazione al contesto dove è stata applicata. La natura dei processi nel settore petrolchimico e l’abbondante numero di sensori restituiscono dati fortemente correlati, caratterizzati da rumore non trascurabile e con considerevoli percentuali di missing data. In questo modo l’informazione disponibile è spesso celata e non viene individuata con tecniche classiche basate su un approccio univariato. Inoltre l’industria petrolchimica risente di problematiche legate alle variazioni dei prodotti, dei carichi di impianto, dell’invecchiamento e dello sporcamento delle linee produttive, aspetti che rendono ancora di più le tecniche multivariate adatte al monitoraggio del processo stesso. I database storici sono ormai presenti in molte realtà industriali e mi hanno permesso di esplorare alcune delle principali problematiche che si possono trovare. Il progetto di dottorato, svolto in collaborazione con Versalis-eni attingendo ai loro database, prende in considerazione i seguenti tre punti: - Monitoraggio di una produzione batch - Monitoraggio della qualità del prodotto in una produzione in continuo - Individuazione delle cause di un problema Queste problematiche hanno caratteristiche fortemente diverse sia in termini di strutture dati che in relazione alle metodologie di analisi applicate. Il dottorato di ricerca da me sostenuto in questi tre anni vuole mostrare come l’analisi multivariata dei dati possa essere uno strumento di rilevante importanza nel contesto petrolchimico in particolare, e in tutti i contesti nei quali le strutture dati hanno le medesime caratteristiche: alta correlazione, elevato rumore e presenza di dati mancati

Monitoraggio multivariato di processo nel contesto della produzione di polimeri

2016

Abstract

Sommario L’incredibile evoluzione tecnologia che abbiamo vissuto negli ultimi 20-30 anni, ha avuto come una delle sue conseguenze la generazione di un enorme flusso di dati. Centinaia di sensori dei più svariati tipi monitorano costantemente la produzione e questa condizione è comune ai campi più disparati. Il settore chimico e quello petrolchimico, su quest’ultimo verte il mio dottorato, possono trarre molti vantaggi da questa innovazione e questo spiega perché le aziende hanno investito grandi capitali nelle strumentazioni di controllo processo e nella gestione dei dati. Al contempo gli strumenti di statistica classica, normalmente impiegati nel controllo di processo, non erano sufficienti e adatti alla gestione di un crescente numero di sensori, di integrare tra loro i differenti dati e di convertire tutto ciò in informazioni utili. Perciò sono stati sviluppati nuovi strumenti, molti dei quali sono compresi nelle tecniche di analisi multivariata dei dati (MVDA). Queste includono le tecniche di decomposizione che permettono la compressione dei dati e spostano l’attenzione dall’andamento nel tempo della singola variabile alla struttura di correlazione dei dati, in altre parole mostrano la struttura dei dati nel complesso; questo è il principale vantaggio dell’approccio multivariato. Un’altra caratteristica relativa alla MVDA, anch’essa di fondamentale importanza, è quella di generare limiti di confidenza basati sulla variazione del sistema e non sul valore di ogni sensore d’impianto. Le tecniche multivariate tengono conto della fondamentale correlazione che esiste tra le variabili. Nonostante l’enorme miglioramento degli algoritmi per quanto concerne l’efficienza di calcolo, la facilità d’uso e l’applicabilità, l’analisi multivariata non è largamente applicata in industria, malgrado l’evoluzione di hardware e software permetta calcoli in tempi ragionevoli, spesso in tempo reale. Questo può essere dovuto ad un lacuna culturale che questa tesi cerca di affrontare, quantomeno in relazione al contesto dove è stata applicata. La natura dei processi nel settore petrolchimico e l’abbondante numero di sensori restituiscono dati fortemente correlati, caratterizzati da rumore non trascurabile e con considerevoli percentuali di missing data. In questo modo l’informazione disponibile è spesso celata e non viene individuata con tecniche classiche basate su un approccio univariato. Inoltre l’industria petrolchimica risente di problematiche legate alle variazioni dei prodotti, dei carichi di impianto, dell’invecchiamento e dello sporcamento delle linee produttive, aspetti che rendono ancora di più le tecniche multivariate adatte al monitoraggio del processo stesso. I database storici sono ormai presenti in molte realtà industriali e mi hanno permesso di esplorare alcune delle principali problematiche che si possono trovare. Il progetto di dottorato, svolto in collaborazione con Versalis-eni attingendo ai loro database, prende in considerazione i seguenti tre punti: - Monitoraggio di una produzione batch - Monitoraggio della qualità del prodotto in una produzione in continuo - Individuazione delle cause di un problema Queste problematiche hanno caratteristiche fortemente diverse sia in termini di strutture dati che in relazione alle metodologie di analisi applicate. Il dottorato di ricerca da me sostenuto in questi tre anni vuole mostrare come l’analisi multivariata dei dati possa essere uno strumento di rilevante importanza nel contesto petrolchimico in particolare, e in tutti i contesti nei quali le strutture dati hanno le medesime caratteristiche: alta correlazione, elevato rumore e presenza di dati mancati
4-mar-2016
Italiano
CHIM/04
COCCHI MARINA
BONACINI FRANCESCO
MENABUE LEDI
Università degli Studi di Modena e Reggio Emilia
File in questo prodotto:
File Dimensione Formato  
PhDThesis_Mantovani.pdf

accesso aperto

Tipologia: Altro materiale allegato
Dimensione 13.43 MB
Formato Adobe PDF
13.43 MB Adobe PDF Visualizza/Apri

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14242/141279
Il codice NBN di questa tesi è URN:NBN:IT:UNIMORE-141279